公开(公告)号：CN114706780A

公开(公告)日：2022-07-05

申请号：CN202210389330.9

申请日：2022-04-13

Applicant: 北京理工大学

Inventor： 单纯 ,  张浩伦 ,  廖书妍 ,  周彦哲 ,  彭哲恒

IPC: G06F11/36 ,  G06N20/20 ,  G06N20/10 ,  G06K9/62

Abstract: 本发明提供了一种基于Stacking集成学习的软件缺陷预测方法，本发明不是人工根据先验知识或者搜索算法进行组合，而是通过Stacking集成学习算法将RF、XGBoost和SVM三个基模型作为初级模型，将缺陷数据集样本特征输入到初级模型中训练且得到三个基模型对待测样本预测为缺陷样本的概率值，然后将三个概率值进行特征组合，作为输入次级模型LR的二次特征，最后将二次特征作为LR的输入，对LR模型进行训练，得到基于Stacking集成学习的软件缺陷预测复合模型(XGBoost‑RF‑SVM)‑LR；也就是说，本发明将四个弱分类器组合成为强分类器，在一定程度上提高了预测的精度。

公开(公告)号：CN114706780B

公开(公告)日：2024-07-19

申请号：CN202210389330.9

申请日：2022-04-13

Applicant: 北京理工大学

Inventor： 单纯 ,  张浩伦 ,  廖书妍 ,  周彦哲 ,  彭哲恒

IPC: G06F11/36 ,  G06N20/20 ,  G06N20/10 ,  G06F18/2411 ,  G06F18/2431 ,  G06N5/01

Abstract: 本发明提供了一种基于Stacking集成学习的软件缺陷预测方法，本发明不是人工根据先验知识或者搜索算法进行组合，而是通过Stacking集成学习算法将RF、XGBoost和SVM三个基模型作为初级模型，将缺陷数据集样本特征输入到初级模型中训练且得到三个基模型对待测样本预测为缺陷样本的概率值，然后将三个概率值进行特征组合，作为输入次级模型LR的二次特征，最后将二次特征作为LR的输入，对LR模型进行训练，得到基于Stacking集成学习的软件缺陷预测复合模型(XGBoost‑RF‑SVM)‑LR；也就是说，本发明将四个弱分类器组合成为强分类器，在一定程度上提高了预测的精度。